|
Abstract:
|
A integração em larga escala da geração de energia fotovoltaica (FV) nos
sistemas elétricos modernos traz consigo desafios severos aos operadores de rede
devido à intermitência intrínseca e à dependência das condições climáticas. Com o
objetivo de identificar e classificar as técnicas mais precisas para a mitigação de
incertezas na operação de redes elétricas, este trabalho realizou uma revisão
sistemática da literatura focada em métodos de Aprendizado de Máquina (ML) e
Aprendizado Profundo (DL) para horizontes de curto prazo e nowcasting. A
metodologia seguiu o protocolo estruturado de Gohr (2013), utilizando o Portal de
Periódicos CAPES para acessar bases de referência como Scopus e Web of Science.
Foram aplicados critérios rigorosos de elegibilidade para publicações entre 2022 e
2026, resultando em uma amostra final de 15 artigos relevantes analisados na íntegra.
Os resultados indicam uma clara transição dos modelos estatísticos isolados para
arquiteturas híbridas e frameworks de Ensemble Learning, com destaque para o
HybrEnNet e o acoplamento de modelos baseados em árvores (como XGBoost e
CatBoost) via votação suavizada (soft-voting), que alcançaram coeficientes de
determinação (R²) superiores a 99%. Adicionalmente, verificou-se que técnicas de
decomposição de sinais (como WPD e VMD) e o uso de visão computacional em
imagens de satélite e câmeras terrestres (All-Sky Images) constituem o estado da arte
para prever variações abruptas de irradiância. Conclui-se que a mitigação de
incertezas na rede elétrica depende da fusão de pipelines de pré-processamento
robustos, modelos avançados de aprendizado e estratégias de interpretabilidade
estatística. |
